May, 2023

离散时间系统的神经李雅普诺夫控制

PDF
TL;DR提出了一种针对离散时间系统学习神经 Laypunov 控制器的方法，其中包括计算 Lyapunov 控制函数的混合整数线性规划方法、计算子水平集的新方法以及基于启发式梯度的方法以加速学习 Lyapunov 函数。实验结果表明，该方法在四个标准测试中均优于目前的基线方法，并且在车杆和 PVTOL 测试中是第一个自动化控制器的学习方法。
lyapunov stability theoryneural networksdiscrete-time systemsmixed-integer linear programmingautomated controller
发现论文，激发创造
  • 神经李亚普诺夫控制

    本研究提出了一种新的方法来学习控制策略和非线性控制问题的神经网络李雅普诺夫函数，具有稳定性的可证明保障。该方法包括一个学习者和一个伪造器，通过快速引导学习者寻找控制和李雅普诺夫函数并寻找反例来终止程序，以保证控制的非线性系统的稳定性。该方法极大地简化了李雅普诺夫控制设计的过程，提供了端到端的正确性保证，并且可以获得比现有方法如 LQR 和 SOS/SDP 更大的吸引域范围。我们进行了实验，展示了新方法如何获得高质量的解决方案以应对具挑战性的控制问题。

    May, 2020

  • 从反例和演示中学习控制李雅普诺夫函数

    本文提出一种学习控制李亚普诺夫函数的技术，通过使用非线性模型预测控制器来分析和优化控制方法，从而在非线性动力学系统的稳定性问题中发挥重要作用。

    Apr, 2018

  • 使用自学几乎 Lyapunov 评论家稳定神经控制

    本研究提出了一种新的方法利用学习基础算法的神经控制策略和神经 Lyapunov critique 函数，利用采样方法和 Almost Lyapunov 函数条件来增强各种非线性系统的神经控制器的稳定性。

    Jul, 2021

  • 使用强健神经李亚普诺夫障函数的安全非线性控制

    本文提出一种基于模型学习的方法，根据鲁棒凸优化和 Lyapunov 理论定义了鲁棒控制 Lyapunov 阻碍函数，以实现具有安全性和稳定性保证的控制器，并在诸如汽车轨迹跟踪、带障碍物避障的非线性控制、带安全性约束的卫星交会和具有学习地效果模型的飞行控制等问题上展示了其模拟结果，表明我们的方法降低了计算成本，并且得到的控制器的能力与稳健 MPC 技术相匹配或优于其能力。

    Sep, 2021

  • Lyapunov 神经网络：自适应稳定性认证用于动态系统的安全学习

    本文提出了一种基于神经网络构建 Lyapunov 函数并通过训练算法将其适应到状态空间中最大安全区域形状的方法，以学习非线性闭环动力系统的准确安全证明，并在模拟倒立摆中演示了该方法的应用，讨论了如何将该方法与动态系统的统计模型一起用于安全学习算法。

    Aug, 2018

  • 一种用于高效合成和验证的基于 Lyapunov 稳定性的神经控制的状态和输出反馈的新方法

    学习型神经网络控制策略在机器人学和控制领域的广泛任务中显示出令人印象深刻的实证性能，然而，对于具有非线性动力系统的神经网络控制器而言，关于吸引域（ROA）内的 Lyapunov 稳定性保证是具有挑战性的，并且现有的大多数方法都依赖于昂贵的求解器，例如 SOS、MIP 或 SMT。本文提出了一种新的框架，利用快速经验性推翻和战略正则化来学习具有 Lyapunov 证明的 NN 控制器。

    Apr, 2024

  • 分布鲁棒策略与李雅普诺夫证明学习

    论文介绍了一种新颖的方法，用于在模型不确定性下合成分布鲁棒的稳定神经控制器和控制系统的证书。通过采用一种新颖的分布鲁棒的 Lyapunov 导数机会约束公式，确保 Lyapunov 证书的单调减少，解决了不确定系统稳定性保证控制器设计中的关键挑战。将这个条件整合到用于训练基于神经网络的控制器的损失函数中，证明了在包括超出分布范围的模型不确定性的情况下，闭环系统的全局渐近稳定性可以得到高可信度的认证。通过在两个控制问题的模拟过程中，将该方法与无关不确定性的基准方法和几个强化学习方法进行比较，验证了所提出方法的有效性和高效性。

    Apr, 2024

  • 演员 - 评论员物理告知的神经李雅普诺夫控制

    使用 Zubov 的偏微分方程方法训练神经网络控制器和其对应的李亚普诺夫证书，以提高控制策略的吸引域范围。

    Mar, 2024

  • 物理信息神经网络李雅普诺夫函数：PDE 特征、学习和验证

    利用物理相关的神经网络计算李雅普诺夫函数，将李雅普诺夫条件编码为偏微分方程，并使用神经网络函数进行训练，分析了李雅普诺夫和祖博夫偏微分方程的解的解析性质，提供了可以通过可满足性求解器轻松验证的学习到的神经网络李雅普诺夫函数的充分条件，使得局部稳定分析和吸引域估计能在大范围内进行正式验证，通过多个非线性示例说明所提出的框架可以优于使用半定规划获得的传统的和式李雅普诺夫函数。

    Dec, 2023

  • 线性动态系统的连续时间神经网络的系统构建

    本文讨论了一种构建神经网络架构的系统方法，用于模拟一类动力系统，即线性时不变 (LTI) 系统。我们使用一种变种的连续时间神经网络，其中每个神经元的输出连续演化为一阶或二阶常微分方程的解。我们提出了一种无梯度算法，从给定的 LTI 系统中直接计算稀疏架构和网络参数，利用其特性。我们提出了一种横向隐藏层的新型神经网络架构范例，并解释了为什么使用传统的纵向隐藏层神经网络可能不是理想选择。我们还给出了该神经网络数值误差的上界，并展示了我们构建的网络在三个数值示例上的高精度。

    Mar, 2024